假設您要構建一個有助于識別葡萄酒和奶酪搭配的應用程序。誰會表現最好?僅基于機器學習的應用程序，僅基于專家知識的應用程序，還是兩者結合使用?

[[383799]]

大多數機器學習算法都是為解決AI中一個眾所周知的問題而開發的，這就是所謂的“知識獲取瓶頸”。它涉及一個問題，即如何使主題專家(SME)能夠與數據科學家一起以有效和可持續的方式與知識模型一起工作(另請參閱：分類法和本體論–知識建模的陰陽)。

機器學習算法從數據中學習，因此，成功的實現顯然與數據質量和編碼數據的語義(含義)所采用的方法密切相關。語義知識圖有助于大幅提高數據質量。他們還將啟動您的機器學習項目。Yanko Ivanov最近發表的一篇文章概括地說：“機器學習算法是一個小孩，他首先需要學習您的語言基礎。”

在最近幾個月中，我們觀察到了市場趨勢：各種組織已經基于機器學習實現了他們的第一個應用程序版本。在第二次迭代中，他們正在尋找可幫助他們解決以下三個問題的技術和方法：

• 機器學習算法通常沒有獲得足夠的信號來“理解”數據的正確含義，例如消除歧義。精度低于預期。
• 認知平臺通常需要敏感數據以從中學習，不應在云中對其進行處理。
• 中小企業的豐富經驗和知識無法編碼，如果不包含在算法中，則會被浪費掉

人工智能不僅僅是一種技術

面對“知識獲取瓶頸”，這也意味著專家的知識被視為任何組織的重要資產。不應將這些黃金財富轉移到云中，以免我們無法控制的某些機器對其進行處理。相反，關鍵是有效實施包括中小企業在內的各種技術和方法的良好結合。好的AI策略不僅要立即產生更好的結果，還在于我們如何建立人與機器之間的有效合作關系。

最新發布的IDC白皮書討論了人工智能的社會技術方面，并深入探討了問題的核心：“擁抱語義技術以提供認知解決方案可以使組織大大減少對開發人員和IT專業人士的依賴。語義數據管理已經到位，數據驅動的應用程序的采用將由領域專家和業務用戶推動。”